内容摘要
VLA(视觉-语言-动作)模型常能给出可迁移的抓取策略,却在具体物体上执行不稳:同一抓法下几何与柔软度不同,闭手时手部遮挡接触区。这篇作者预印本要回答:不重训VLA,能否在执行阶段把「策略」落到「手上的物理实现」。
做法是在固定VLA外加一层有状态执行监督器:VLA只给接近动作与手部目标,监督器拿手指位置与电机力矩当本体感知接触证据,在抓取指令完成的评估点决定保持透明、只修正未被支撑的手指,还是交回VLA重试;不需要额外触觉传感器,也不需要按物体重训。合拢前另有一层交互模式选择,在两种预定义模式(位置控制与柔顺控制)间切换,有提示词用提示词,没有时由Qwen2.5-VL-7B按图像与任务上下文决定。
真机为Unitree G1配BrainCo Revo2灵巧手,固定策略GR00T-N1.6-3B。五个留出物体、每物体15次共75个随机交错匹配块:基础VLA完成率61.3%,无条件「闭到卡住」基线72.0%,监督器84.0%;对基础VLA的不一致对20比3,Holm校正后p=0.001。消融中完整监督器86%对仅位置停顿基线72%;选择性介入把修正次数由134降到46(减65.7%),两变体完成率无检出差异。位姿扰动下三种条件监督器均最强,比基础VLA高22、28、28个百分点。
边界也清楚:只覆盖策略已给出可行接近的场景;柔顺物体上「拒绝」偏保守,留出物体上接受后仍能持住的比例88.9%,25.6%可保留配置被误拒;薄壁杯靠指令选模保住5/5,但杯子属训练物体,柔顺控制只在静态抓取下评估。
点评
对做机器人本体软件的工程人员,这条路线的价值在于把「接触到底有没有建立」的判断从视觉挪到执行层的本体信号上:一套固定策略权重可以在新物体上复用,不必为每个物体重训策略,也不必加装触觉传感器;选择性介入还把无谓的接触修正从134次压到46次。改动集中在执行层,不动策略模型本身,是可以分层接入现有VLA栈的做法。
只覆盖策略已给出可行接近的场景,救不回任意接近错误;证据是本体信号而非标定力,柔顺物体上拒绝偏保守;消融未能分离力矩证据与判定释放各自的贡献,选择性与始终介入的差异未检出不代表等价;柔顺控制只测闭合与保持,薄壁杯属训练物体。证据来自作者自评的 arXiv 预印本,本次材料中未见独立复现。
版本与核查范围
版本 2610.04391v2 · 原文定位与程序检查、独立上下文模型复核;不代表独立研究复现。。依据已核查材料整理;未运行模型或机器人。
原文与定位
- 原文链接 #S4.SS2.p1.1;#S4.T2.1;#S4.SS2.p3.1;#S3.SS1.SSS0.Px1.p1.1;#S1.p7.1;#S3.SS5.p2.1;#S4.SS3.p3.1;#S4.SS3.p4.1;#S4.SS4.p2.1;#S4.T6.1;#S4.SS5.SSS0.Px2.p3.1;#S5.p5.1
